传感器基础与数据采集：激光雷达、IMU、里程计与相机
大家好，我是你们的老朋友。今天我们来聊聊SLAM系统的“眼睛”和“耳朵”——传感器。说实话，很多同学做SLAM做到崩溃，不是算法不行，而是传感器数据没用好。我见过太多人拿着噪声巨大的激光数据硬跑算法，结果地图建得一塌糊涂。
这一章，我会把激光雷达、IMU、里程计和相机这四类核心传感器掰开揉碎了讲。咱们不光讲原理，还会聊聊我在实际项目中踩过的坑。
核心观点：传感器数据质量，直接决定了SLAM系统的上限。算法再好，也救不了烂数据。
1. 激光雷达：2D与3D的差异
激光雷达，说白了就是通过发射激光束并测量反射时间来测距。2D激光雷达扫一个平面，3D激光雷达扫一个立体空间。
2D激光雷达：常见于扫地机器人、AGV小车。它只能获取一个平面内的距离信息。我早期做室内机器人时，就吃过亏——2D雷达看不到桌子腿以上的障碍物，结果机器人一头撞上了悬空的柜门。
3D激光雷达：比如Velodyne、Livox系列。它能获取三维点云，适合复杂环境。但要注意，3D雷达的数据量巨大，处理不好会拖垮CPU。
| 类型 | 典型型号 | 数据量 | 适用场景 |
|---|---|---|---|
| 2D | RPLIDAR A1 | ~1K点/帧 | 室内平面导航 |
| 3D | Velodyne VLP-16 | ~30K点/帧 | 室外三维建图 |
我的经验：选型时别只看分辨率。2D雷达的扫描频率通常更高（10-40Hz），适合快速运动场景。3D雷达频率低（5-20Hz），但信息丰富。我曾经在AGV项目里混用2D和3D雷达做融合，效果出奇的好。
2. IMU与里程计：互补的“难兄难弟”
IMU（惯性测量单元）测量加速度和角速度。里程计（轮式或视觉）测量相对位移。它们各有致命缺陷：IMU有漂移，里程计有滑移。
为什么会这样？IMU积分一次得到速度，再积分得到位置，误差会随时间平方增长。轮式里程计在光滑地面上打滑时，数据直接报废。
我的做法：用IMU做短时间的高频估计，用里程计做长时间的低频校正。两者通过扩展卡尔曼滤波（EKF）融合。嗯，这里要注意，IMU的零偏校准一定要做，否则融合结果还不如不用IMU。
避坑指南：我曾经在户外越野车上只用IMU做位姿估计，结果10秒后位置漂了5米。后来加了轮式里程计做约束，才把误差压到0.3米以内。记住：IMU不能单独用，必须配合其他传感器。
3. 相机模型与图像数据
相机模型，核心就是针孔模型和畸变模型。针孔模型描述光线如何通过小孔成像，畸变模型修正镜头带来的径向和切向变形。
你想想看，一张图像上的像素点(u, v)，怎么对应到三维空间中的点(X, Y, Z)？公式很简单：
// 针孔模型投影公式
u = fx * X / Z + cx
v = fy * Y / Z + cy其中fx, fy是焦距，cx, cy是光心偏移。这些参数需要通过标定得到。我建议用OpenCV的棋盘格标定法，至少拍20张不同角度的图片。
图像数据的特点：
- 分辨率高（百万像素级），但受光照影响大
- 纹理丰富时特征点提取效果好，弱纹理区域（白墙）直接失效
- 帧率通常30fps，比激光雷达高，但计算量大
我的习惯：在弱光环境下，我会把相机曝光时间调长，但要注意运动模糊。曾经在隧道里做视觉SLAM，图像全黑，后来加了红外补光灯才解决问题。
4. ROS下的数据录制与回放
ROS（机器人操作系统）提供了强大的数据录制工具——rosbag。我个人觉得，这是SLAM开发中最实用的功能之一。
录制数据：
# 录制所有话题
rosbag record -a -o my_data.bag
# 录制指定话题
rosbag record /scan /imu /odom /camera/image_raw -o my_data.bag回放数据：
# 以1倍速回放
rosbag play my_data.bag
# 以0.5倍速回放（方便调试）
rosbag play -r 0.5 my_data.bag为什么要用rosbag？因为你可以反复使用同一份数据调试算法，确保结果可复现。我当年做SLAM时，就是靠着一份rosbag数据，反复调参，最终找到了最优参数组合。
注意：录制时一定要保证时间戳同步。不同传感器的时间戳如果偏差超过10ms，融合效果会大打折扣。我曾经因为电脑时钟不同步，导致激光和IMU数据错位，建图直接失败。后来用NTP同步所有设备时间才解决。
5. 知识体系总览
下面这张图，是我对本章知识体系的总结。你可以看到，传感器数据采集是SLAM的起点，数据质量决定了后续所有环节的成败。
好了，这一章的内容就到这里。传感器是SLAM的基石，理解它们的特性和局限，比背公式更重要。下一章我们会深入数据预处理，到时候见。